不同玉米品种叶片SPAD值估测模型的构建及其差异性研究

【目的】探究玉米叶片SPAD值与其高光谱特征之间的品种差异,构建不同玉米品种叶片SPAD值估测模型,并对模型应用范围进行验证。【方法】通过大田试验,测定多个玉米品种叶片的SPAD值及其高光谱数据,利用相关分析及逐步回归分析等方法,构建和筛选玉米叶片SPAD值与相关光谱参数的回归模型,并利用偏差率对模型精度进行检验。【结果】不同玉米品种叶片的SPAD值与其高光谱反射率及一阶导数的相关波段存在差异,但品种间差异较小,关系最密切的波段均处于560和700nm附近。对不同玉米品种的光谱反射率一阶导数进行比较时,出现"红移"现象,"红移"规律与各品种叶片SPAD值大小表现一致;叶片SPAD值与光谱反射率一阶导数的显著相关波段在510,615,690和740nm附近。在构建估测模型时,以单波段光谱参数构建的模型估测效果较组合波段构建的模型好,且模型类型为多元方程和指数方程。以单一玉米品种叶片光谱参数建立的模型可以对其他玉米品种叶片的SPAD值进行估测,但估测精度在不同品种间存在差异。【结论】以高光谱560nm附近波段反射率建立的模型精度最高,对不同品种的玉米叶片SPAD预测值偏差率普遍小于5.00%。     

基于光谱指数的不同生育期油菜叶片SPAD估测

【目的】研究西北地区不同生育时期油菜叶片SPAD值与多种光谱参数之间的关系,并建立估测模型。【方法】以陕西省乾县齐南村施肥程度一致的大田种植的油菜为试验材料,分别在苗期、现蕾抽苔期和开花期测定叶片的光谱反射率和SPAD值,得到不同波段组合的光谱指数,计算其与SPAD值之间的相关性系数,并拟合以各种光谱指数预测SPAD值的模型,以均方根误差(RMSE)和相对误差(RE)作为模型的评价和检验指标。【结果】苗期SDr/SDy与叶片SPAD值相关性最高,为0.79,构造的最佳预测模型决定系数为0.67;现蕾抽苔期(SDr-SDy)/(SDr+SDy)与叶片SPAD相关性最高,达到0.82,构造的最佳SPAD估测模型决定系数为0.70;苗期(SDr-SDy)/(SDr+SDy)与叶片SPAD有较高相关性,相关性系数为0.65,构造的预测模型决定系数为0.43。【结论】各时期预测模型效果较好的光谱指数基本一致,为SDr/SDy和(SDr-SDy)/(SDr+SDy),可以利用高光谱遥感信息反演西北地区油菜各时期的叶绿素含量,并分析其生长状况。     

苹果叶片高光谱特性与叶绿素含量和SPAD值的关系

以礼富一号和嘎啦苹果为材料,分别测量了叶片的光谱反射率、SPAD值和叶绿素含量,分析了叶片的SPAD值和叶绿素含量与微分光谱之间的相关性。结果表明,苹果叶片的叶绿素含量与SPAD值呈线性相关,品种间的SPAD值和光谱反射率都存在差异。苹果叶片叶绿素含量的敏感波段位于694 nm。基于敏感波段的微分数值,建立了一阶微分光谱值与苹果叶片SPAD值和叶绿素含量的回归模型,确定系数分别达到0.781 8和0.589 9,为利用高光谱遥感技术反映苹果生长状况的叶绿素信息提供了依据。     

棉花营养期倒四叶不同位点SPAD值与植株氮营养相关性

为确定棉花叶片SPAD值的适宜测定位点,采用水培试验方法,设0（不施）、1.5 mmol/L（缺乏）、15 mmol/L（适量）3个供氮水平,分4次测定棉花倒四叶17个不同位点的SPAD值,对不同氮素水平条件下棉花倒四叶SPAD值的差异性及其与棉花氮素营养状态的相关关系进行研究。结果表明,棉花倒四叶17个测定位点的SPAD值存在较明显的区域性差异,其中叶尖位置最高,而靠近叶柄的位置最低。不同测定位点的SPAD值与棉花植株氮素营养水平的相关性不同,其中只有靠近叶尖的S2、S3、S15 3个位点的SPAD值同时与倒四叶及地上部氮含量之间有显著相关性,但尚不能确定这些点就是判断棉花氮素营养水平的最佳位点或区域。     

基于分数阶微分的葡萄叶片SPAD值高光谱遥感反演研究

【目的】探明高光谱遥感技术反演葡萄叶片叶绿素含量的可能性,构建葡萄叶片叶绿素含量反演模型,为快速且无损估测葡萄长势提供技术参考。【方法】以西南山区成熟期葡萄叶片为研究对象,同步获取冠层叶片高光谱数据和SPAD值,研究不同分数阶(0.0～1.4阶,步长0.2阶)微分光谱反演葡萄叶片SPAD值的能力,构建多个基于特征波段和光谱指数的单因素模型及基于连续投影算法的多因素模型。【结果】不同SPAD值葡萄叶片原始光谱曲线整体一致,在可见光区域反射率较低而在近红外区域反射率高;可见光、近红外区域反射率与SPAD值分别呈反比和正比;随着分数阶上升,特征波段由近红外向红边靠近,光谱指数由近红外与蓝光组合变更为近红外与绿光组合,单因素模型建模变量相关性呈先升后降趋势,在0.6阶达峰值;除0.6与0.8阶外,其余分数阶微分光谱单因素模型建模变量均为DSI;多因素模型优于单因素模型,机器学习算法可提升传统回归模型精度,所有模型以0.6阶下SPA-GA-XGBoost回归模型精度最优,其建模与验证R²分别为0.79和0.75,相应均方根误差(nRMSE)分别为15.54%和14.45%。...     

佛手瓜叶片光谱特征与SPAD值估算模型研究

构建佛手瓜叶片叶绿素含量估算模型,为实现高光谱技术监测佛手瓜叶片叶绿素含量变化提供参考依据。利用SPAD-502 PLUS叶绿素仪同步测定佛手瓜叶片的SPAD值,以Field Spec 3地物光谱仪采集佛手瓜叶片光谱数据。对原始光谱去噪处理后经一阶微分变换、倒数对数变换和倒数对数的一阶微分变换提取其特征波段,然后利用红边及绿峰位置构建了SPAD值的预测模型,并采用决定系数(R²)、均方根误差(RMSE)和相对误差(RE)对模型进行精度评价。结果表明,在400～1 000 nm波长范围内,佛手瓜叶片光谱特征在可见光区的绿峰波段反射率在22%左右,在近红外区形成高反射率,达到56%左右。通过对原始光谱曲线进行一阶微分变换、倒数对数变换和倒数对数的一阶微分数学变换后,提取出佛手瓜叶片的特征波长分别有520、550、640、650、670、680、700 nm。以单一红边位置与佛手瓜SPAD值建立的模型,r²为0.814 2,以此模型进行SPAD值预测,得到预测值与实测值的决定系数r²为0.833 7,RMSE为2.83,RE为...     

棉花功能叶不同位点SPAD值与氮素养分相关性

通过水培试验,设N0(0,不供氮)、N1.5(1.5mmol/L,适量供氮)、N15(15mmol/L,过量供氮)3个供氮处理,分4次测定棉花功能叶1～17个不同位点SPAD值和含氮量,分析棉花功能叶片不同位点SPAD值与植株氮素养分的相关关系。结果表明,随施氮量增加,棉花生长量也显著增加,N0、N1.5、N15处理的施氮量与棉花生长量、氮吸收量及叶片氮含量的相关性达到显著水平,相关系数分别为0.669 0、0.769 1和0.742 0,而棉花叶片平均SPAD值与施氮量、氮素吸收量相关性不显著,相关系数仅为0.241 8。可见,棉花地上部生物量随施氮量增加而显著增加,地上部的植株氮素水平与功能叶平均SPAD值相关性低,另外,选择适宜的观测位点十分必要,棉花功能叶中远离叶柄而靠近叶缘的位点适宜作为SPAD仪的测定区域。     

基于PCA-BP神经网络算法桃树叶片SPAD值高光谱估算

光谱技术实现了桃树叶片SPAD(soil and plant analyzer development)值的监测,使用基于主成分分析(principal component analysis,PCA)的BP神经网络算法建立桃树叶片SPAD值光谱估算模型。分析各生育期桃树叶片SPAD值的变化及其与叶片光谱的相关关系,分析5种红边参数与SPAD值的相关性,选取相关性较高的3种红边参数,分别与SPAD值进行单因素建模;然后把红边参数和SPAD值用主成分分析、基于PCA-BP神经网络算法建模,并对估算模型进行验证,结果表明:1)5-9月,桃树叶片SPAD值呈先上升后下降的变化特征,8月达到最大;2)4个生育期所建立的3种模型均通过0.01显著性检验,其中6月估算SPAD值的模型,建模精度和验证精度均最高, R 2≥0.814;3)各生育期桃树叶片SPAD值在单因素模型中,以红边位置建立的模型估算和预测精度最高;4)各个生育期中,基于PCA-BP神经网络模型的估算效果最好,建模精度和预测精度最高, R 2最高分别为0.938和0.974;主成分分析模型次之,单因素模型最低。因此,基于红边参数建立的PCA-BP神经网络反演模型能进行桃树叶片SPAD值的准确估算,为桃树叶片叶绿素含量监测提供理论依据。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。     

不同温度对不同基因型棉花叶片叶绿素荧光的影响

【目的】在不同温度条件下,研究不同基因型棉花叶片叶绿素荧光特性指标的变化,为耐高温棉花品种的筛选提供理论依据。【方法】分别在25、30、35、40、45和48℃的恒温培养箱处理不同基因型棉花13-1品系、新海24号、13-1×新海24号(杂交种)、13-1×新海14号(杂交种),利用快速荧光测定仪(Handy PEA-100)测定不同基因型棉花叶片荧光特性主要参数。【结果】随着温度不断升高,性能指数PIABS、最大光化学Fv/Fm、电子传递产额φEo表现为先升高后降低,而热耗散DIO/CSO、初始荧光FO则先降低后升高;性能指数PIABS在40℃时4个不同棉花基因型棉花品系呈极显著,比Fv/Fm更准确地反映光合状况。【结论】利用隶属函数法分析4种不同基因型棉花品种(系),其中13-1×新海24号隶属函数值最高,属于耐热品系。     

变量施肥下红枣叶片SPAD阈值确定研究

[目的]根据红枣养分吸收特性,通过大田试验氮肥的变量施肥,确定获得红枣最佳产量的不同时期叶片SPAD值,为运用SAPD值进行红枣营养诊断提供依据.[方法]对红枣叶片特定部位进行跟踪研究,同时采用变量施肥对叶片叶绿素值进行测定.[结果]红枣叶片自展叶期开始SPAD值随时间推移不断增加,在红枣果实膨大期达到最大值,随后开始下降.红枣叶片花期、坐果期、果实膨大期、成熟期最佳SPAD值范围分别为33 ～ 38、40 ～43、44 ～ 48、43 ～46,相对应的叶片全氮含量为40.2±0.7、38.2±0.8、33.5±1.4、30.8±1.2(g/kg).成年红枣树冠外围叶片叶绿素值高于树冠内部叶片.[结论]成龄高产红枣叶片前部叶/叶/后部叶最佳比例范围为(0.90 ～0.95):1:(0.94 ～0.97);内部叶/外围叶最佳比例为(0.88 ～0.93):1.为达到红枣的优质高产,有必要针对红枣在各物候期建立相应叶绿素值标准和与之对应的氮素含量标准,以便随时了解枣树养分供给情况,达到更好的诊断效果.     

施肥对红枣叶片SPAD值与比叶重影响的研究

[目的]通过连续多年的试验掌握红枣叶片叶绿索值变化规律,探讨红枣叶片叶绿素值(SPAD)对施肥量的响应,为以后红枣果树养分需求规律和提高养分利用率提供依据.[方法]跟踪研究红枣果树特定部位,同时采用变量施肥对叶片叶绿素值进行测定.[结果]在红枣叶片不同时期叶绿素与施肥量呈正相关,但氮素投入量达到一定水平后叶绿素值随施氮量增加有下降趋势.在红枣叶片生长早期(0～30 d)比叶重与SPAD值相关性达极显著.[结论]有必要针对作物在各物候期不同养分供应状况下建立相应叶绿素值标准,以便更好的利用叶绿素仪,达到更好的诊断效果.     

10个高粱品系叶片不同部位SPAD值的比较分析

为确定高粱叶片SPAD值的最佳测定位置,利用叶绿素计(SPAD-502Plus)对10个高粱恢复系同一叶片的叶尖部、叶中部、叶基部进行SPAD值测定,分析叶片不同部位SPAD值的分布及稳定性。结果表明,高粱品系HR的SPAD值最高,J9的SPAD值最低;10个高粱品系叶片不同测定位置上的SPAD值表现出一致的变化规律,即叶片中部叶片尖部叶片基部;叶片中部SPAD值的变异系数最小,数值相对稳定,可作为这10个高粱品系叶片SPAD值的适宜测定位置。表明叶片中部为较合适的测定部位,其SPAD值能较好地代表整个叶片的总叶绿素含量。     

烯效唑对罂粟(Papaver somniferum L.)不同叶位叶SPAD值变化规律研究

采用随机区组设计,以罂粟（Papaver somnifemmL．）为供试材料,进行不同浓度烯效唑处理下主茎不同叶位叶SPAD（Soil and Plant Analyzer Development,土壤作物分析仪器开发）值的测定。分析了罂粟叶片SPAD值与叶绿素含量的关系,在此基础上研究不同浓度烯效唑对罂粟叶片SPAD值的影响,并确定SPAD值在不同叶位间的变化规律。结果表明：罂粟叶片的叶绿素含量与SPAD值呈极显著线性相关。在本试验设置的不同浓度烯效唑处理中,罂粟上部4片叶的SPAD值较高,SPAD值随叶位的下降而下降。因此,在考虑叶片大小的因素后,测定罂粟叶片SPAD值时,以选择倒3叶或倒4叶较为适宜。     

西葫芦叶片SPAD值与叶绿素含量相关性分析

为了探讨西葫芦叶片SPAD值与叶绿素含量之间的相关性,采用SPAD叶绿素仪和酒精-丙酮浸提法对西葫芦叶片的叶绿素含量及SPAD值进行测定。结果表明,4种西葫芦叶片的叶绿素a、叶绿素b和总叶绿素含量与SPAD值的相关性均为极显著。就SPAD值与叶绿素a的相关性而言,板栗西葫芦的最佳数学模型为y=0.8252e0.0109x(r=0.8057**),盛玉306的最佳数学模型为y=0.2719e0.0344x(r=0.8854**);丰抗早的最佳数学模型为y=0.6186e0.0173x(0.7831**);香蕉西葫芦的最佳数学模型为y=0.9181 ln(x)-2.1481(r=0.7901**)。就SPAD值与叶绿素b的相关性而言,板栗西葫芦的最佳数学模型为y=0.6069e0.0081x(r=0.7845**);盛玉306的最佳数学模型为y=0.6069e0.0081x(r=0.6473**);丰抗早的最佳数学模型为y=0.4712e0.0129x(r=0.7868**);香蕉西葫芦的最佳数学模型为y=0.7384 ln(x)-1.886 9(r=0.8357**)。就SPAD值与叶绿素总含量的相关性而言,板栗西葫芦的最佳数学模型为y=1.4989e0.009x(r=0.8095**);盛玉306的最佳数学模型为y=0.5225e0.0309x(r=0.8200**);丰抗早的最佳数学模型为y=1.0843e0.0156x(r=0.7989**);香蕉西葫芦最佳数学模型为对数函数y=1.6565 ln(x)-4.0349(r=0.8154**)。     

基于SPAD值的水稻施氮叶值模型构建及应用效果

【目的】研究分析不同地力条件、施氮量、SPAD值衍生指标、产量之间的关系,实现简便、快速、无损地推荐水稻施氮量,构建基于SPAD值的水稻施氮叶值模型。【方法】2015年和2016年以杂交籼稻Q优6号为试验材料,设4种施氮水平(0、75、150、225 kg·hm~(-2)),探讨产量、SPAD值衍生指标与田块表观供氮量之间的关系,并对初步构建的叶值模型进行变量施氮应用效果研究。【结果】产量与抽穗期田块表观供氮量之间具有极显著的曲线关系,两年拟合度R2分别为0.5523,0.7148。在其拟合关系下2年度最高产量分别为9 264.93 kg·hm~(-2)、11 167.97 kg·hm~(-2),相差1 903.14 kg·hm~(-2),2016年产量相比2015年增加20.54%;达到最高产量的表观总吸氮量较为接近,分别为575.27 kg·hm~(-2),546.71 kg·hm~(-2),仅相差28.56 kg·hm~(-2),2016年表观总吸氮量相比2015年减少4.96%。不同年度的拔节期和抽穗期,SPAD值衍生指标中SPADL3(顶3叶SPAD值)、SPADL4(顶4叶SPAD值)、SPADmean(顶部4张叶片的平均SPAD值)、SPADL3×L4/mean(顶3叶SPAD值×顶4叶SPAD值/顶部4张叶片的平均SPAD值)与田块表观供氮量之间具有显著或极显著的线性关系。单张叶片中,SPADL3与拔节期田块表观供氮量,SPADL1与抽穗期田块表观供氮量线性拟合的系数在年份间变化均较小,分别为0.0156,0.0154;0.0172,0.0173。年份间,2016年SPADL3×L4/mean与田块表观供氮量线性拟合的系数和b值比2015年的拔节期依次增加了-28.70%,17.41%;抽穗期依次增加了-15.34%,56.11%。叶值模型施氮总量为表观总吸氮量与土壤表观供氮量之差,通过SPAD值衍生指标可以估测土壤表观供氮量,且抽穗期时SPAD值衍生指标与田块表观供氮量的线性拟合度较拔节期时的高。拔节期时,SPADL4与SPADL3×L4/mean,SPADL3与SPADmean之间估测推荐的施氮总量较为接近,且SPADL4、SPADL3×L4/mean估测的施氮量高出SPADL3、SPADmean50%左右。基于叶值模型的变量施氮效果表明,变量区产量高出对照区产量820.68kg·hm~(-2),变量区的氮素偏生产力、农学利用率和贡献率均明显高于对照区,分别高出13.74%,103.45%,104.12%。确定叶值模型的一般表达式为:Nw=Nz-[(Ys-b)/k-Ng],式中Nw表示施氮总量(kg·hm~(-2)),Nz表示水稻品种表观总吸氮量(kg·hm~(-2)),Ys表示叶片SPAD值衍生指标,Ng表示追肥之前已经施入的氮量(kg·hm~(-2)),k、b是田块表观供氮量(Nx)与叶片SPAD值衍生指标线性关系中的斜率和截距,而田块表观供氮量等于土壤表观供氮量(Nt)与人工已施氮量(Ng)之和。【结论】应用叶值模型的变量施氮减少了产量差,提高了产量以及氮素农学利用率、偏生产力和贡献率。